DeepSeek lokalnie: które wersje pójdą na domowym komputerze
DeepSeek na własnym komputerze: destylaty R1, rozmiary, licencje i uruchomienie w Ollamie. Jak sprawdzać odpowiedzi i mierniki lokalnego API.

Spis treści 9
- DeepSeek R1, destylat i pełny model to różne rzeczy
- Jakie warianty są dostępne w Ollamie
- DeepSeek lokalnie krok po kroku
- Jak oceniać małego DeepSeeka po polsku
- Gotowy skrypt: pytanie do lokalnego DeepSeeka
- Porównanie z pełnym DeepSeek V4
- Dla kogo lokalny DeepSeek
- Najczęstsze pytania
- Źródła i data sprawdzenia
👁 111 przeczytań
DeepSeek lokalnie na domowym komputerze oznacza przede wszystkim mały destylat R1, nie pełny model używany przez usługę internetową. W Ollamie są warianty o bardzo różnych rozmiarach, a sam napis „DeepSeek” nie mówi, co pobierasz. Ten poradnik jest częścią przewodnika po lokalnym AI.
Stan na 17 października 2026
- Warianty i rozmiary według biblioteki Ollamy oraz kart deepseek-ai.
- Brak kompletnego pomiaru wydajności i poprawności DeepSeek-R1-Distill-Qwen-1.5B w Q4_K_M.
- Pełny DeepSeek V4 nie mieści się w pamięci pojedynczej karty 24 GB.
DeepSeek R1, destylat i pełny model to różne rzeczy
Destylacja polega tu na dostrojeniu mniejszego modelu przy wykorzystaniu odpowiedzi i rozumowania większego. Powstaje osobny model o mniejszej skali, oparty na architekturze Qwen lub Llama. Nie jest to pełny R1 z częścią funkcji wyłączoną w ustawieniach. Wyników największej wersji nie można przypisywać małemu destylatowi.
Kwantyzacja to inny zabieg: zmniejsza precyzję zapisu wag. W nazwie „1.5b-qwen-distill-q4_K_M” osobno zapisano rozmiar modelu, pochodzenie i wariant kwantyzacji. Dwie paczki tej samej rodziny mogą mieć inną jakość oraz wymagania. Warto zachować pełny tag zamiast notatki „zainstalowany DeepSeek”.
Oficjalna karta pierwotnego R1 podaje 671 miliardów parametrów i architekturę MoE. Mniejsza liczba parametrów aktywnych podczas obliczeń nie oznacza, że pozostałych wag nie trzeba przechowywać. To częsta pomyłka przy ocenianiu wymagań: koszt obliczeń i ilość pamięci nie są tym samym.
Jakie warianty są dostępne w Ollamie
Rozmiary poniżej są wartościami paczek prezentowanymi przez bibliotekę 17 października 2026. Nie są pomiarem VRAM. Katalog obejmuje również inne kwantyzacje, dlatego przed pobraniem sprawdź konkretny tag.
| Tag deepseek-r1 | Pochodzenie | Paczka | Znaczenie |
|---|---|---|---|
| 1.5b | Qwen 2.5 Math | 1,1 GB | Mały destylat |
| 7b | Qwen 2.5 Math | 4,7 GB | Większy destylat |
| 8b / latest | R1-0528, Qwen3 | 5,2 GB | Nowszy destylat |
| 8b-llama-distill-q4_K_M | Llama 3.1 | 4,9 GB | Inna baza niż latest |
| 14b | Qwen 2.5 | 9,0 GB | Destylat |
| 32b | Qwen 2.5 | 20 GB | Destylat |
| 70b | Llama 3.3 | 43 GB | Duży destylat |
| 671b | Pełny R1 | 404 GB | Inna klasa sprzętu |
Najważniejszy szczegół dotyczy nazwy „8b”. Domyślny tag wskazuje obecnie destylat R1-0528 na bazie Qwen3. Starszy destylat Llama 8B nadal ma osobny tag. Porównanie dwóch wyników podpisanych tylko „DeepSeek 8B” może więc zestawiać różne modele.
Plik wag pobranego wariantu 1.5B ma dokładnie 1117320512 bajtów według manifestu rejestru. Suma SHA-256 lokalnego pliku jest zgodna z zapisanym manifestem. Pobrany wariant znajduje się w osobnym katalogu poza zwykłym magazynem modeli. Rozmiary większych wariantów w tabeli pochodzą z katalogu, nie z pomiaru ich działania.
DeepSeek lokalnie krok po kroku
- Zainstaluj Ollamę ze strony autora i sprawdź, czy lokalny serwer odpowiada.
- W bibliotece wybierz dokładny tag oraz kwantyzację, a następnie porównaj rozmiar z dostępną pamięcią.
- Na pierwszą próbę wybierz mały wariant, na przykład
deepseek-r1:1.5b. - Pobierz model poleceniem
ollama pull deepseek-r1:1.5b. - Uruchom rozmowę przez
ollama run deepseek-r1:1.5bi zadaj krótkie pytanie po polsku. - Po zakończeniu zwolnij pamięć poleceniem
ollama stop deepseek-r1:1.5b.
Pierwsze uruchomienie obejmuje odczyt wag. Kolejne odpowiedzi mogą być szybsze, ponieważ model pozostaje w pamięci. Podstawową obsługę, serwer i zarządzanie modelami wyjaśnia osobny poradnik Ollamy. Jeżeli wolisz wybierać pliki i prowadzić rozmowę w oknie aplikacji, sprawdź LM Studio.
Nie przepłacaj za te subskrypcje
Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.
Po pobraniu wag lokalna generacja nie wymaga wysyłania pytania do usługi DeepSeeka. Warunkiem jest korzystanie z lokalnego modelu, a nie konfiguracji wskazującej zewnętrznego dostawcę. Odłączona sieć jest prostym sprawdzianem działania offline, choć sam brak połączenia nie ocenia jakości odpowiedzi.
Jak oceniać małego DeepSeeka po polsku
Brak zweryfikowanego pomiaru tej konfiguracji, więc nie podaję jej szybkości ani oceny poprawności.
Praktyczna próba powinna odpowiedzieć na wąskie pytanie: czy mały destylat poprawnie wykonuje konkretne polecenia po polsku. Odmiana słowa, korekta zdania, rachunek procentowy, zapis danych jako JSON i wyjaśnienie idiomu sprawdzają różne umiejętności. Taki zestaw nie zastępuje sprawdzianu długich dokumentów, narzędzi, programowania ani odporności na zmianę promptu. Większy zestaw modeli i zadań omawia test lokalnych modeli po polsku.
Model rozumujący może zużyć wiele tokenów, zanim poda krótką odpowiedź. Dlatego szybkość generowania nie mówi, ile sekund zajmie uzyskanie użytecznego wyniku. W pomiarze należy zachować zarówno czas całego żądania, jak i liczbę wygenerowanych tokenów oraz informację o zakończeniu. Ucięcie odpowiedzi przez limit jest wynikiem testu, a nie poprawną odpowiedzią do domyślnego dopisania.
Gotowy skrypt: pytanie do lokalnego DeepSeeka
Ten skrypt wysyła jedno pytanie do już pobranego modelu w lokalnej Ollamie, drukuje odpowiedź i mierniki zwrócone przez API. Nie pobiera wag. Parametr portu przydaje się wtedy, gdy testowy serwer działa osobno od codziennej instalacji.
Na wcześniejszym etapie klient został sprawdzony w pustym folderze z lokalną atrapą API. Taka próba potwierdza obsługę żądania i odpowiedzi, ale nie potwierdza jakości ani szybkości rzeczywistego modelu.
import argparse
import json
import urllib.request
p = argparse.ArgumentParser()
p.add_argument('tekst')
p.add_argument('--model', default='deepseek-r1:1.5b')
p.add_argument('--port', type=int, default=11434)
a = p.parse_args()
body = {'model': a.model, 'prompt': a.tekst, 'stream': False,
'keep_alive': 0, 'options': {'num_ctx': 4096, 'num_predict': 2048}}
request = urllib.request.Request(
f'http://127.0.0.1:{a.port}/api/generate',
data=json.dumps(body).encode('utf-8'),
headers={'Content-Type': 'application/json'})
with urllib.request.urlopen(request, timeout=240) as response:
result = json.load(response)
print(result.get('response', ''))
seconds = result.get('eval_duration', 0) / 1e9
if seconds:
print('Generowanie: %.1f tok/s' % (result['eval_count'] / seconds))
print('Zakonczenie:', result.get('done_reason', 'brak informacji'))
Pobierz skrypt lokalny-deepseek.py. Wymaga Pythona; uruchom go z terminala.
Porównanie z pełnym DeepSeek V4
Karta DeepSeek-V4-Flash podaje 284 miliardy parametrów, a V4-Pro 1,6 biliona. Wersje instrukcyjne wykorzystują mieszane FP4 i FP8. Nawet Flash należy do innej klasy pamięciowej niż domowy destylat R1. Pełny V4 nie wejdzie w całości na pojedynczą kartę 24 GB; uruchomienie z pamięcią poza GPU byłoby osobnym eksperymentem sprzętowym.
Oficjalna organizacja udostępnia też późniejsze repozytorium V4.1-Flash. Nie zmienia to zasady doboru: trzeba przeczytać kartę dokładnego wydania, zamiast zakładać, że kolejna nazwa oznacza mały model. Ten poradnik nie zawiera pomiarów żadnego pełnego V4 ani V4.1 i nie przenosi ich wyników na R1 1.5B.
Pod względem licencji R1 oraz V4 są udostępniane na MIT. Karty destylatów wskazują też pochodzenie baz: Qwen z rodziny opisanej w karcie oraz Llama z własnymi warunkami. Zastosowanie komercyjne jest dopuszczalne, lecz warianty Llama wymagają uwzględnienia licencji bazy. Kod Ollamy ma MIT; sama aplikacja nie nadaje dodatkowych praw do dowolnych wag.
Dla kogo lokalny DeepSeek
- Dla osoby, która chce sprawdzić model rozumujący bez wysyłania promptów do usługi internetowej.
- Dla użytkownika zainteresowanego różnicą między destylacją a kwantyzacją.
- Dla autora skryptów, który potrzebuje lokalnego API i potrafi weryfikować wynik.
- Dla eksperymentatora akceptującego, że mały model może nie wykonywać krótkich instrukcji równie dobrze jak większy.
Do zwykłego tłumaczenia lub korekty tekstu lepszym punktem wyjścia może okazać się model instrukcyjny bez rozbudowanego rozumowania. Wybór marki nie zastępuje testu na własnym materiale. Jeśli interesuje cię tło projektu i jego założyciel, osobny tekst dotyczy Lianga Wenfenga.
Najczęstsze pytania
Czy DeepSeek lokalnie działa bez internetu?
Tak, po pobraniu modelu i uruchomieniu lokalnego silnika. Pierwsze pobranie wymaga sieci. Trzeba też odróżnić lokalny tag od modelu dostępnego wyłącznie przez usługę chmurową.
Który DeepSeek R1 wybrać na początek?
Mały destylat pozwala szybko sprawdzić instalację. Nie należy traktować go jako reprezentanta jakości pełnego R1. Jeśli wynik jest słaby, sprawdź inny model, zamiast oceniać całą rodzinę po jednej paczce.
Czy deepseek ollama oznacza pełny model?
Nie. Decyduje tag. W bibliotece ta sama nazwa rodziny obejmuje destylaty oraz pełny model. Domyślne latest wskazuje obecnie wariant 8B oparty na Qwen3.
Czy DeepSeek V4 zmieści się na 24 GB?
Pełne wagi oficjalnych V4 nie zmieszczą się w takiej pamięci GPU. Liczba parametrów aktywnych nie jest rozmiarem wszystkich wag. Mały destylat R1 jest odrębnym modelem.
Czy lokalny DeepSeek nadaje się do polskiego?
Zależy od wariantu i zadania. Sprawdź odmianę, korektę, liczby i wykonywanie instrukcji. Poprawna pojedyncza odpowiedź nie gwarantuje niezawodności w dłuższym tekście.
Czy mogę używać DeepSeek komercyjnie?
Licencje opisanych modeli na to pozwalają z zachowaniem ich warunków. Dla destylatów sprawdź również bazę, szczególnie Llamę. Nie utożsamiaj otwartych wag z brakiem jakichkolwiek obowiązków.
Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.
Źródła i data sprawdzenia
- Ollama: tagi i rozmiary DeepSeek R1.
- DeepSeek R1: modele bazowe i licencje.
- Karta opisanego destylatu.
- DeepSeek V4: parametry i format wag.
- Oficjalna karta V4.1-Flash.
- Ollama: generowanie i mierniki API.
- Licencja Ollamy.
- Lokalne dane przygotowania z 17 października 2026: manifest pobranej paczki oraz zestaw polskich zadań. Suma kontrolna pliku wag jest zgodna z manifestem. Brak kompletnej serii odpowiedzi do oceny.
Dokumentacja sprawdzona na wcześniejszym etapie 17 października 2026; obecna korekta opiera się na lokalnych plikach.

Autor
Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.
Czytaj dalej
Artykuły · Najlepszy lokalny model AI po polsku: test 10 modeli na 8-24 GB VRAMKtóry lokalny LLM najlepiej radzi sobie z polskim na karcie 8, 12, 16 i 24 GB? Zmierzyłem 10 modeli w Ollamie na RTX 4090: 12 zadań z poprawną...
Artykuły · Open WebUI: ChatGPT offline na własnym komputerze krok po krokuOpen WebUI daje okno czatu jak ChatGPT dla modeli z Ollamy, także bez internetu. Pokazuję instalację krok po kroku na Windowsie, moje pomiary rozmowy...
Artykuły · RTX Spark, komputer z RTX 5090 czy MacBook Pro? Co wybrać do lokalnego AITrzy drogi do dużych modeli lokalnie za 25-35 tys. zł. Zestawiam pamięć, przepustowość i ceny z danych producentów i mówię, komu co pasuje.- przelomowy.plDuże modele językowe: transformer z 2017 r. i trening od 50 000 do 11 mln dolarów
- generatornia.plSuno cena 2026: plany, limity pobrań i prawa autorskie
- przewagi.plAutomatyzacja faktur: zacznij od obiegu i wyjątków, potem dodaj AI
- jutropis.plKE konsultuje formularz oceny wpływu AI na prawa podstawowe


